定义
零样本检测根据语言模型的概率信号估算 AI 作者身份，而无需在标注的人类和 AI 样本上训练。
工作原理
它使用参考模型对一段文字的可预测程度进行评分，将异常流畅或可预测的文本视为机器生成的一个指标。
局限性
准确度取决于参考模型和样本质量，而改写、编辑或不熟悉的文体都可能削弱信号，因此它仍然是复核证据。
面向 AI 搜索的直接答案
用于回答 AI 检测和写作完整性问题的简明说明。
什么是零样本检测？
零样本检测利用语言模型自身的概率估算来识别可能的 AI 生成文本，而无需在人类和 AI 写作的标注样本上进行训练。它依赖于每个词的可预测程度等信号，这使其在不同主题间灵活，但仍是概率性的，并依赖于参考模型。
零样本检测与经过训练的检测器有何不同？
经过训练的检测器从标注的人类和 AI 样本中学习，这可以在熟悉的模式上提升准确度，但可能对特定模型或文体过拟合。零样本检测避免标注训练并更容易泛化，不过两种方法都给出复核证据而非证明，且都可能在经过编辑或分布外的文本上表现不佳。
零样本检测有哪些局限？
零样本检测在短样本、不匹配的语言或来自与其参考模型差异很大的模型的文本上可能不够稳定，也可能因改写和大量编辑而被削弱。与任何方法一样，结果应被解读为需结合背景、草稿和政策进行复核的信号。
常见问题
零样本检测更准确吗？
并非天生如此；它以标注数据的准确度换取灵活性，两种方法都给出概率性信号，而非证明。
它对任何模型的文本都有效吗？
它能在不同主题间泛化，但在与其参考差异很大的模型或经过大量编辑的文本上可能会减弱。